حدود ۶ سال پیش بخش آموزش وردپرس رو شروع کردیم و من عضو کوچیکی از این تیم شدم.
از اون روز تا الان خیلی چیزها عوض شده و البته خودم هم مدت زیادیه تمرکزم رفته روی محلی‌سازی و گسترش‌ وردپرس تو ایران، ولی دیدن نتیجه اون تلاش‌ها و مشارکت‌ها واقعا لذت‌بخشه.
learn.w.org‎

@DevTwitter | <Morteza Geransayeh/>

🔶 وب‌سایت AnandTech پس از نزدیک 3 دهه (۲۷ سال)، پوشش اخبار حوزه فناوری و مطالب تخصصی در زمینه سخت‌افزار به کار خود پایان داد. «رایان اسمیت» (Ryan Smith)، سردبیر این وب‌سایت، این خبر را در پست خداحافظی منتشر کرد. البته تمام محتواهای قبلی این وب‌سایت در دسترس کاربران خواهد بود.

#خبر

@TheRaymondDev

فایل pdf جدول کلمات متقاطع با عبارت باقاعد regular expression

کد تخفیف ووکارس برای خرید اول

اگر میخواید یک کد تخفیف برای خرید اول داشته باشید

کافیه این کد رو بزارید داخل فاکشن قالب و کد تخفیف رو بزارید داخلش


جای 5TUJ5KQF میتویند کد تخفیف خودتون رو بزارید

این کد خیلی بهتر از پلاگین های دیگه کار میکنه و عملکرد بهتری داره


function apply_first_order_discount($valid, $coupon) {
if ($coupon->get_code() === '5TUJ5KQF') {
$user_id = get_current_user_id();
$customer_orders = wc_get_orders(array(
'customer_id' => $user_id,
'status' => 'completed',
));
if (count($customer_orders) > 0) {
wc_add_notice('این کد تخفیف فقط برای اولین خرید شما قابل استفاده است.', 'error');
return false;
}
}
return $valid;
}
add_filter('woocommerce_coupon_is_valid', 'apply_first_order_discount', 10, 2);




@poinair پوینا

🔵 عنوان مقاله
▶  Pointers for Performance?

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته، به بحث در مورد تاثیر بازگرداندن یک اشاره‌گر (pointer) به جای یک مقدار (value) از یک تابع در زبان برنامه‌نویسی Go پرداخته است. در زبان Go، اجرای عملکردها با بازگرداندن مقادیر عموماً توصیه می‌شود مگر آنکه دلایل مشخصی برای استفاده از اشاره‌گرها وجود داشته باشد. مقاله بیان می‌کند که بازگرداندن اشاره‌گرها می‌تواند در مواردی که با اندازه های بزرگ داده‌ساختاری سروکار داریم یا عملیات‌های پیچیده‌ای نیاز به انجام است، مفید باشد. این امر به دلیل کاهش تکرار کپی کردن داده‌ها در حافظه است. اما، استفاده نادرست از اشاره‌گرها می‌تواند به مشکلاتی مانند نشت حافظه و دسترسی‌های ناامن منجر شود. مقاله تأکید می‌کند که تصمیم گیری برای بازگرداندن اشاره‌گر یا مقدار باید با توجه به الزامات کارایی و امنیت مشخص شود و نباید به صورت کلی بدون در نظر گرفتن جزئیات پیاده‌سازی صورت گیرد.

🟣لینک مقاله:
https://www.youtube.com/watch?v=ISOjCvpNiYA

➖➖➖➖➖➖➖➖
👑 @gopher_academy

میدونستید ایفون طول چیزش کوتاهه ؟ همین سیمکارت خورش

سیمکارت پشت و روش میخوره، ینی این جا واسه دوتا سیمکارته، یکی این ورش میخوره و با اون گیره پلاستیکیه نگرش میداره یکی هم اون ورش و میکنی توش

مسخرس، مگه نه ؟ 😂

@SEYED_BAX

جالبه ایفون محصول امریکاییه بعد این گوشی چینیا حتی sd کارت هم میزنن روی همین خشاب سیمکارت

مگه برعکس نبود ؟ چینی باید کوچیکتر میزد
@SEYED_BAX

اینم لابد محصول آفریقا

@SEYED_BAX

البته پیشرفت علم ثابت کرده که به سایز نیست، به جربزه هستش

همین ی چسه ، 1024 گیگ میتونه توی خودش نگه داره

تنها چیز کوچیکی که میتونه بیشتر از این چیز تو خودش نگه داره:
قلب کوچیک پر غصه ی منه 🥺

@SEYED_BAX

تغییرات این هفته کی‌دی‌ای پلاسما


https://pointieststick.com/2024/08/30/this-week-in-plasma-inhibiting-inhibitions-and-more/

@SohrabContents

قبلا در مورد regex صحبت کردم
اهل حل کردن جدول هستید ؟
جدول کلمات متقاطع با عبارت باقاعد regular expression regex
فکر میکنید میتونید این جدول را حل کنید ؟
سایت برای کمک
regexr.com‎

@DevTwitter | <MehrdadLinux/>

این روش برای اکثر مدل‌های با پسوند .safetensor کار می‌کنه

وقتی یک مدلی به تازگی منتشر می‌شه یا روی مدل‌هایی که برای تسک خاص؛ زبان خاص هستند ممکن هست اون مدل رو روی Ollama نداشته باشید و بدون تعارف Ollama یکی از راحت‌ترین گزینه‌های برای تجربه و تست مدل‌ها هست.

برای همین توانایی تبدیل و سرو مدل‌های مختلف به فرمت Ollama بسیار گزینه مهمی هست؛ بعنوان مثال اگر در خاطرتون باشه موقع انتشار llama3 به دلیل اشتباه در نحوه تبدیل این مدل خروجی‌های اشتباهی هم از Ollama دریافت میشد و آپدیت این مورد حدودا ۳ روز زبان برد (روی توییتر بسیاری از اکانت‌ها به تیم ollama توییت زدند.)

من توی این پست سعی کردم به راحت‌ترین روش اشاره کنم و در نهایت مسیر سخت رو هم بهش اشاره خواهم کرد برای دوستانی که علاقه دارند خودشون پیگیری کنند.
وقتی یک مدل جدید منتشر میشه اول از همه شما باید به معماری اون تگاه کنید؛ توی فایل config.json یا توی توضیحات huggingface همیشه به این موضوع اشاره میشه که یک مدل بر پایه چه مدل یا مدل‌هایی توسعه داده شده؛ اگر پایه مدل llama, mistral, gemma, ... حتما توسط این تکنیک پشتیبانی میشه (از همون ساعت انتشار مدل) اما اگر معماری مدل بر پایه این مدل‌ها نباشه؛ اول باید توسط تیم llama.cpp پشتیبانی بشه و بعد تیم ollama پشتیبانی رو اضافه خواهد کرد؛ پس یک تکنیک پیشرفته تر برای تبدیل مدل‌ها استفاده از llama.cpp هست که توی این پست بهش نخواهم پرداخت.

برای مثال آموزشی من با یک مدل حجم کم شروع خواهم کرد که همه بتونند تست و تمرین کنند؛ مدل

HuggingFaceTB/SmolLM-135M-Instruct

توی اولین قدم شما باید؛ مدل بالا یا هرمدلی که دلتون میخواد (مطمئن بشید معماری بیس مدل پشتیبانی میشه) رو روی هارد خودتون ذخیره کنید (با استفاده از هر تکنیکی که علاقه دارید.)

بعد از اون مثل آموزش افزایش طول context برای llama3.1 روی ollama که قبلتر قرار گرفته؛ باید یک Modelfile ایجاد کنید. توی پوشه‌ای که مدل دانلود شده یک فایل جدید به اسم Modelfile ایجاد کنید و متن زیر رو داخلش بنویسید:

FROM .
PARAMETER stop <|im_start|>
PARAMETER stop <|im_end|>
PARAMETER temperature 0.1
PARAMETER top_p 0.95

TEMPLATE """{{ if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
{{ .Response }}<|im_end|>
"""

توی Modelfile شما ۲ تا تنظیم رو واجب هست که داشته باشید؛

FROM

که به ollama می‌گید مدل رو از کدوم مسیر روی سیستم‌عامل شما می‌تونه بخونه؛ توی مثال بالا از . استفاده شده که توی سیستم عامل Linux به معنای همین پوشه هست (ما modelfile رو داخل پوشه دانلود مدل hugging face قرار دادیم)

TEMPLATE

که به ollama می‌گه چطور باید پرامپت؛ سیستم پرامپت رو برای مدل ارسال کنه و البته چطور پاسخ مدل رو دریافت و تمیز کنه؛ jinja template فرمتی هست که استفاده میشه و همیشه توی ریپورت‌های انتشار مدل بطور دقیق به template format اشاره میشه پس باید داکیومنت مدلی که می‌خواید تبدیل کنید رو برای این بخش بخونید برای مثال تمپلیت گزارش شده این مدل بصورت خام و بدون Jinja بصورت زیر بود (که من برای ollama اون رو بهبود دادم) :

<|im_start|>system
YOUR SYSTEM PROMPT.<|im_end|>
<|im_start|>user
YOUR PROMPT.<|im_end|>
<|im_start|>assistant
RESPONSE.<|im_end|>

اگر مدلی به پرامپت تمپلیت اشاره نکرد؛ به احتمال ۹۰٪ از فرمت بالا استفاده می‌کنه.
همین ۲ تا بخش برای ساخت مدل کفایت می‌کنه؛ اما امکان داره بعضی وقت‌ها بخواید بصورت دیفالت یکسری از پارامتر‌ها رو ست کنید مثل temperature, top_p توی مثال بالا.
یا حتی بعضی وقتا بخشی از توکن‌های تمپلیت توی خروجی به شما نشون داده بشه که با PARAMETER stop می‌تونید به ollama بفهمونید که توکن قبل از اون آخرین توکن تولید شده توسط مدل بوده و stop رو نباید توی خروجی نمایش بده.

بعد از اینکه فایل ساخته شد؛ ترمینال رو توی همون پوشه باز کنید؛ اگر خواستید مدل رو بدون quantization داشته باشید دستور:

ollama create <NAME>:<TAG> -f Modelfile

رو میزنید و بجای <NAME>:<TAG> اسم و تگ مدل رو بهش میدید؛ اسم واجب هست و چیزی میشه که توی ollama list نمایش داده میشه؛ اما تگ واجب نیست و مقدار دیفالت اون latest خواهد بود.

برای quantize کردن مدل؛

ollama create <NAME>:q4_0 -f Modelfile --quantize q4_0

انواع quantization های موجود رو می‌تونید توی document های ollama بخونید ولی q4_0 یکی از معروف‌ترین موارد هست. (معروفترین؛ بهترین نیست لزوما).

در نهایت هم می‌تونید از دستور

ollama run <NAME>:<TAG>

برای اجرای مدل استفاده کنید و در صورت که علاقه داشتید مدل رو روی سایت ollama هم قرار بدید.

توی این آموزش چون مدل SmolLM برپایه معماری‌هایی که قبلا پشتیبانی میشده نیست شما به ollama 3.7 نیاز دارید.
اگر امکان آپدیت نداشتید؛ یا معماری مدل هنوز توسط ollama پشتیبانی نمی‌شد. (هفته قبل)
باید از llama.cpp برای تبدیل استفاده می‌کردید.

گوشی‌های android بخصوص نسل SnapDragon 8 Gen3 توانایی اجرای این مدل با تعداد توکن بسیار بالایی رو دارا هست.

اخباری از توسعه پارچ در این چندهفته اخیر.

ما مثل همیشه درحال بهبود پارچ و اضافه کردن ویژگی‌های جدید به اون هستیم. در این چندهفته اخیر ما بر روی موارد زیر کار کردیم.

۱- پشتیبانی اولیه از SecureBoot به صورت آزمایشی
۲- پشتیبانی اولیه از میزکار کازمیک و خوش‌آمدگوی آن
۳- بهبود پارچ پروفایلر
۴- پیاده‌سازی اولیه پارچ استور و پارچ بکاپ
۵- پیاده‌سازی اولیه آپادانا

لازم به ذکر است که برخی از این تغییرات در رلیز بعدی پارچ منتشر خواهند شد.


@ParchLinux